КЛАССИФИКАЦИЯ ПТИЦ И ДРОНОВ В НЕБЕ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ MOBILENETV2

Аннотация

В данной статье рассматривается проблема визуального различения птиц и беспилотных летательных аппаратов (дронов) в связи с задачей автоматического распознавания объектов в воздушном пространстве. Широкое использование дронов в настоящее время предъявляет новые требования в области безопасности полетов, защиты стратегических объектов и мониторинга окружающей среды. В этой связи актуальна разработка надежных и эффективных автоматизированных систем распознавания, способных работать в режиме реального времени. Основная цель исследовательской работы – разработка облегченной модели классификации, работающей с высокой точностью и пригодной для использования на устройствах с ограниченными вычислительными ресурсами.

Предложенный метод реализован с использованием сверточной нейронной сети на основе архитектуры MobileNetV2 и экспериментально протестирован на наборе данных Birds vs Drone. В процессе обучения модели использовались методы трансферного обучения и аугментации данных, что позволило сформировать эффективную обобщающую способность на небольшом наборе данных. Кроме того, эти подходы снизили вероятность переобучения модели и повысили ее стабильность и надежность.

Экспериментальные результаты показали, что модель достигает высокой точности в различении птиц и дронов и устойчива к различным условиям освещения, сложному фону и изменениям окружающей среды. Полученные результаты имеют практическое значение в таких областях применения, как обеспечение безопасности воздушного движения, мониторинг окружающей среды, защита стратегических объектов и обнаружение незаконных полетов дронов.

В ходе работы был выявлен ряд ограничений, таких как ограниченный объем данных и небольшое количество классов. Это указывает на необходимость расширения набора данных, охвата различных типов объектов и перехода к многоклассовой классификации в будущих исследованиях. В целом, предложенная модель является эффективным решением для систем с ограниченными ресурсами и может служить надежной основой для разработки интеллектуальных систем мониторинга.